本發(fā)明涉及一種基于緩解過(guò)飽和狀態(tài)下城市道路交叉口擁堵?tīng)顩r的控制策略，屬于智能交通的技術(shù)領(lǐng)域。

背景技術(shù)：

隨著城市經(jīng)濟(jì)的發(fā)展，機(jī)動(dòng)車(chē)保有量呈現(xiàn)快速增加的狀態(tài)，而城市道路增長(zhǎng)有限且緩慢，導(dǎo)致城市正常的交通出行嚴(yán)重受阻，交通擁堵頻發(fā)，車(chē)輛運(yùn)輸效率顯著下降，影響著城市居民的正常出行，制約著經(jīng)濟(jì)的發(fā)展。同時(shí)，伴隨而來(lái)的交通事故、環(huán)境污染及能源短缺更進(jìn)一步制約著城市的發(fā)展。交通擁堵的實(shí)質(zhì)是城市道路的供給與車(chē)輛運(yùn)行的需求不平衡，是需求大于供給的矛盾，解決該矛盾的方法可以從提高供給和控制需求兩個(gè)方面考慮。然而，提高道路的供給并不可行，主要原因有：(1)道路基礎(chǔ)設(shè)施建設(shè)需要占用城市基礎(chǔ)空間，而城市的基礎(chǔ)空間為稀缺有限資源，不可能無(wú)限占用；(2)道路基礎(chǔ)設(shè)施建設(shè)周期較長(zhǎng)，依賴(lài)道路的建設(shè)并不能快速有效地緩解現(xiàn)有的交通擁堵問(wèn)題；(3)道路基礎(chǔ)設(shè)施的建設(shè)成本較高，由于經(jīng)濟(jì)的制約，不可能長(zhǎng)期投資新建道路?；谏鲜龅姆治觯ㄟ^(guò)新建道路以提高供給來(lái)解決供需矛盾并不可行，因此，僅能通過(guò)控制需求來(lái)緩解交通擁堵，而控制交通需求有效的方法是交通管理與控制。采取有效的信號(hào)控制措施，可從最開(kāi)始產(chǎn)生交通擁堵的交叉口入手，識(shí)別其交通擁堵?tīng)顟B(tài)，并及時(shí)采取有效的措施，緩解本地交叉口的擁堵?tīng)顟B(tài)，避免其影響到上下游交叉口。

城市交通問(wèn)題中50％～80％產(chǎn)生于交叉口及其周?chē)攸c(diǎn)，機(jī)動(dòng)車(chē)在市區(qū)有1/3時(shí)間消耗在信號(hào)交叉口上，80％～90％的延誤時(shí)間由信號(hào)控制交叉口造成。通過(guò)對(duì)信號(hào)燈的優(yōu)化控制可以提高運(yùn)行效率、減少延誤時(shí)間、避免交通擁、減少空氣污染和環(huán)境破壞。信號(hào)交叉口控制的目的就是一方面對(duì)交叉口使用者來(lái)講,要使延誤、停車(chē)、排隊(duì)盡可能少；另一方面對(duì)交叉口管理效率來(lái)講,要使交叉口的通行能力盡可能大。同時(shí)以往的信號(hào)配時(shí)大多研究的都是非飽和條件下，以延誤最小來(lái)確定周期時(shí)長(zhǎng)或?qū)⒔煌ㄑ诱`和停車(chē)次數(shù)綜合為一個(gè)性能指標(biāo)。本文綜合考慮交叉口使用者和交叉口的實(shí)時(shí)狀況，選取平均延誤，排隊(duì)長(zhǎng)度和通行能力作為優(yōu)化目標(biāo)，建立了在過(guò)飽和條件下的信號(hào)交叉口多目標(biāo)控制模型。

傳統(tǒng)的信號(hào)配時(shí)方法是通過(guò)尋優(yōu)算法對(duì)特定的交叉口控制模型進(jìn)行尋優(yōu)，得到最優(yōu)配時(shí)的信號(hào)分配方案。常用的方法有爬山法，粒子群算法，遺傳算法等。研究者一般選取最簡(jiǎn)單的定時(shí)方法進(jìn)行信號(hào)配時(shí)，因過(guò)飽和狀況下道路交通情況較為復(fù)雜，利用定時(shí)方法得到的配時(shí)結(jié)果會(huì)導(dǎo)致平均延誤以及排隊(duì)長(zhǎng)度偏大，通行能力也沒(méi)有明顯的增強(qiáng)，無(wú)法有效緩解交叉口的擁堵；為克服上述問(wèn)題，選取遺傳算法對(duì)控制模型進(jìn)行尋優(yōu)配時(shí)，遺傳算法能夠?qū)?fù)雜的交通流數(shù)據(jù)進(jìn)行全局反復(fù)搜索從而得到更為精確的配時(shí)結(jié)果。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明所要解決的技術(shù)問(wèn)題是提供一種基于緩解過(guò)飽和狀態(tài)下城市道路交叉口擁堵?tīng)顩r的控制策略。

本發(fā)明為解決上述技術(shù)問(wèn)題采用以下技術(shù)方案：

本發(fā)明提供一種基于緩解過(guò)飽和狀態(tài)下道路交叉口擁堵?tīng)顩r的控制方法，具體步驟如下：

步驟1，根據(jù)交叉口車(chē)輛運(yùn)行軌跡模型，選取平均延誤、排隊(duì)長(zhǎng)度和通行能力作為優(yōu)化目標(biāo)，建立交叉口綜合控制模型，具體為：

$\min f({\mathrm{\λ}}_i,T)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\μ}}_i^1{d}_i+{\mathrm{\μ}}_i^2{N}_i+{\mathrm{\μ}}_i^3{Q}_i)$

s.t.t_min＜t_i＜t_max

λ_min＜λ_i＜λ_max

T_min＜T＜T_max

$X_{min}\<X_i=\frac{y_i}{{\mathrm{\λ}}_i}\<X_{max}$

式中，f(λ_i,T)表示控制函數(shù)，n表示相位數(shù)；λ_i表示第i個(gè)相位的綠信比，λ_min和λ_max分別表示λ_i約束范圍中的最小和最大綠信比；T表示交叉口的信號(hào)周期時(shí)長(zhǎng)，t_ss表示相位的損失時(shí)間，T_min和T_max分別表示T約束范圍中的最小和最大時(shí)長(zhǎng)；d_i表示第i個(gè)相位的平均延誤，D_i為第i個(gè)相位的總延誤，l_i表示第i個(gè)相位初始時(shí)刻的排隊(duì)車(chē)輛數(shù)，q_i表示第i個(gè)相位的車(chē)輛到達(dá)率，s_i表示第i個(gè)相位的飽和流率；N_i表示第i個(gè)相位的排隊(duì)長(zhǎng)度，q_i(τ)表示τ時(shí)刻第i個(gè)相位的車(chē)輛到達(dá)率，s_i(τ)表示τ時(shí)刻第i個(gè)相位的飽和流率；Q_i表示第i個(gè)相位的通行能力，Q_i＝s_iλ_i；分別為第i個(gè)相位對(duì)應(yīng)平均延誤、排隊(duì)長(zhǎng)度和通行能力的權(quán)重；t_i表示第i個(gè)相位的有效綠燈時(shí)長(zhǎng)，t_min和t_max分別表示t_i約束范圍中的最小和最大有效綠燈時(shí)長(zhǎng)；X_i表示第i個(gè)相位的飽和度，X_min和X_max分別表示X_i約束范圍中的最小和最大飽和度；

步驟2，采用遺傳算法對(duì)步驟1得到的交叉口綜合控制模型進(jìn)行求解，對(duì)交叉口進(jìn)行信號(hào)配時(shí)。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，所述交叉口為十字四相位的交叉口。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，根據(jù)交叉口各相位流量比的變化，采用自適應(yīng)權(quán)重法為平均延誤、排隊(duì)長(zhǎng)度和通行能力進(jìn)行權(quán)重分配。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，第i個(gè)相位對(duì)應(yīng)平均延誤、排隊(duì)長(zhǎng)度和通行能力的權(quán)重其中，s_i表示第i個(gè)相位的飽和流率，y_i表示第i個(gè)相位的流量比，Y表示四個(gè)相位的流量比之和，α表示量綱因子。

作為本發(fā)明的進(jìn)一步優(yōu)化方案，采用遺傳算法對(duì)交叉口綜合控制模型進(jìn)行求解時(shí)，在復(fù)制過(guò)程中，通過(guò)比較適應(yīng)度大小，根據(jù)需要選擇適應(yīng)度高的個(gè)體遺傳至下一代。

本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：

(1)建立多目標(biāo)優(yōu)化模型考慮到現(xiàn)實(shí)道路交通的復(fù)雜狀況，通過(guò)對(duì)交通信號(hào)相位方案及配時(shí)的調(diào)整,實(shí)現(xiàn)對(duì)城市交通流的綜合控制，采用自適應(yīng)權(quán)重法為三個(gè)優(yōu)化目標(biāo)分配權(quán)重，可以根據(jù)實(shí)際交通流的變化自動(dòng)分配權(quán)重，隨后在各個(gè)子目標(biāo)的最優(yōu)值間進(jìn)行分配，有效克服多目標(biāo)間的協(xié)調(diào)問(wèn)題；

(2)相比于現(xiàn)有技術(shù)中固定配時(shí)方案以及原遺傳算法的方案而言，本方法優(yōu)化了控制效果，提高交通運(yùn)行效率。

附圖說(shuō)明

圖1為交叉口物理模型以及交叉口相位相序圖，其中，(a)是交叉口物理模型，(b)是交叉口相位相序圖。

圖2為推導(dǎo)本發(fā)明中多目標(biāo)優(yōu)化函數(shù)的交叉口車(chē)輛運(yùn)行軌跡模型圖。

圖3為驗(yàn)證本發(fā)明改進(jìn)遺傳算法的測(cè)試函數(shù)圖。

圖4為本發(fā)明中利用測(cè)試函數(shù)驗(yàn)證不同的改進(jìn)遺傳算法的仿真效果比較圖。

圖5為應(yīng)用本發(fā)明中改進(jìn)遺傳算法以及原遺傳算法得到的控制效果比較圖。

具體實(shí)施方式

下面結(jié)合附圖以及具體實(shí)施例對(duì)本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說(shuō)明：

本發(fā)明中研究的交叉口為典型的十字四相位的交叉口，四個(gè)相位分別為A、B、C、D，分別對(duì)應(yīng)i＝1,…,j,…,n，n＝4。每個(gè)進(jìn)道口方向均有左轉(zhuǎn)、直行、右轉(zhuǎn)車(chē)流，由于右轉(zhuǎn)車(chē)流一般沒(méi)有單獨(dú)的信號(hào)控制相位，這里不考慮右轉(zhuǎn)車(chē)流。交叉口物理模型以及交叉口相位相序如圖1所示。

因現(xiàn)實(shí)交通情況較為復(fù)雜，需考慮選取合適的控制目標(biāo)更精確反映交叉口情況。首先考慮交叉口的過(guò)飽和狀況，需要增大整個(gè)信號(hào)周期來(lái)擴(kuò)大通行能力；同時(shí)考慮交叉口使用者的利益，延誤時(shí)間和排隊(duì)長(zhǎng)度都應(yīng)較少。因此，選取平均延誤、排隊(duì)長(zhǎng)度和通行能力作為優(yōu)化目標(biāo)。其中，優(yōu)化目標(biāo)函數(shù)根據(jù)圖2進(jìn)行推導(dǎo)。

從第一個(gè)周期開(kāi)始進(jìn)行過(guò)飽和交叉口的分析，假設(shè)以交叉口相位A的綠燈起始時(shí)刻作為初始時(shí)刻，即t＝0。設(shè)一個(gè)相位的兩個(gè)進(jìn)口的交通數(shù)據(jù)相同，所以本發(fā)明只分析一個(gè)相位的單個(gè)方向交通流。下面首先以相位A有效綠燈時(shí)長(zhǎng)作分析時(shí)段，隨后分析整個(gè)信號(hào)周期，來(lái)推導(dǎo)出優(yōu)化目標(biāo)函數(shù)。

1)以相位A有效綠燈時(shí)長(zhǎng)作為分析時(shí)段：

以交叉口相位A東進(jìn)道口直行車(chē)道為例進(jìn)行分析。在[0,t]的時(shí)間段中，到達(dá)車(chē)輛數(shù)為離開(kāi)車(chē)輛數(shù)為

在時(shí)刻t(0＜t＜t₁)時(shí)的排隊(duì)車(chē)輛數(shù)為：

$l_1+{\∫}_0^t{q}_1\left(\mathrm{\τ}\right)d\mathrm{\τ}-{\∫}_0^t{s}_1\left(\mathrm{\τ}\right)d\mathrm{\τ}$

式中，l₁為相位A初始時(shí)刻的排隊(duì)車(chē)輛數(shù)。

綠燈期間的延誤時(shí)間為：

${\∫}_0^{t_1}(l_1+{\∫}_0^t{q}_1(\mathrm{\τ})d\mathrm{\τ}-{\∫}_0^t{s}_1(\mathrm{\τ}\left)d\mathrm{\τ}\right)dt.$

滯留車(chē)輛數(shù)在其余三個(gè)相位下產(chǎn)生的延誤時(shí)間為：

$(l_1+{\∫}_0^{t_1}{q}_1(\mathrm{\τ})d\mathrm{\τ}-{\∫}_0^{t_1}{s}_1(\mathrm{\τ}\left)d\mathrm{\τ}\right)(t_2+t_3+t_4)+{\∫}_{t_1}^T{\∫}_{t_1}^t{q}_{1}d\mathrm{\τ}dt.$

因此，可得在整個(gè)信號(hào)周期結(jié)束后的相位A的總延誤：

$D_1=l_{1}T-{\∫}_0^{t_1}{\∫}_0^t{s}_1\left(\mathrm{\τ}\right)d\mathrm{\τ}dt-{\∫}_0^{t_1}{s}_1\left(\mathrm{\τ}\right)d\mathrm{\τ}(T-t_1)+{\∫}_0^T{\∫}_0^t{q}_1\left(\mathrm{\τ}\right)d\mathrm{\τ}dt$

$D_1=l_{1}T+\frac{1}{2}{q}_1{T}^2+\frac{1}{2}{s}_1{{\mathrm{\λ}}_1}^2{T}^2-s_1{\mathrm{\λ}}_1{T}^2$

交叉口相位A在整個(gè)信號(hào)周期期間的通行能力：

Q₁＝s₁λ₁；

信號(hào)周期結(jié)束后排隊(duì)長(zhǎng)度：

$N_1=l_1+{\∫}_0^T{q}_1\left(\mathrm{\τ}\right)d\mathrm{\τ}-{\∫}_0^{t_1}{s}_1\left(\mathrm{\τ}\right)d\mathrm{\τ}.$

2)整個(gè)相位周期(四個(gè)相位對(duì)應(yīng)四種范圍，相應(yīng)的時(shí)刻t會(huì)有四個(gè)范圍(0,t₁)、(t₁,t₁+t₂)、(t₁+t₂,t₁+t₂+t₃)、(t₁+t₂+t₃,t₁+t₂+t₃+t₄),所以時(shí)刻t范圍為)

在時(shí)刻時(shí)的排隊(duì)車(chē)輛數(shù)為：

$l_i+{\∫}_0^t{q}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}-{\∫}_0^{t-\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{t}_j}{s}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}.$

綠燈期間的延誤時(shí)間為：

${\∫}_{\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{t}_j}^{\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{t}_j}\[l_i+{\∫}_0^t{q}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}-{\∫}_0^{t-\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{t}_j}{s}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}\]dt$

滯留車(chē)輛數(shù)在其余三個(gè)相位下產(chǎn)生的延誤時(shí)間為：

$\[l_i+{\∫}_0^{\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{t}_j}{q}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}-{\∫}_0^{t_i}{s}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}\](T-\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{t}_j)+{\∫}_{\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{t}_j}^T{\∫}_{\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{t}_j}^t{q}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}dt$

因此，可得在整個(gè)信號(hào)周期結(jié)束后的總延誤：

$D_i=l_{i}T-{\∫}_0^{t_i}{s}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}(T-\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{t}_j)-{\∫}_{\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{t}_j}^{\underset{j=1}{\overset{i}{\mathrm{\Σ}}}{t}_j}{\∫}_0^{t-\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{t}_j}{s}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}dt+{\∫}_0^T{\∫}_0^t{q}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}dt$

$D_i=l_{i}T+\frac{1}{2}{q}_i{T}^2+\frac{1}{2}{s}_i{{\mathrm{\λ}}_i}^2{T}^2+s_i\left(\right(\underset{j=1}{\overset{i-1}{\mathrm{\Σ}}}{\mathrm{\λ}}_j\left){\mathrm{\λ}}_i\right)T^2-s_i{\mathrm{\λ}}_i{T}^2$

平均延誤：

$d_i=\frac{D_i}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{N}_i}$

交叉口相位i在整個(gè)信號(hào)周期期間的通行能力：

Q_i＝s_iλ_i

信號(hào)周期結(jié)束后排隊(duì)長(zhǎng)度：

$N_i=l_i+{\∫}_0^T{q}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}-{\∫}_0^{t_i}{s}_i\left(\mathrm{\τ}\right)d\mathrm{\τ}$

隨后，根據(jù)交叉口各相位流量比的變化來(lái)設(shè)計(jì)自適應(yīng)權(quán)重法進(jìn)行控制目標(biāo)的權(quán)重分配。

考慮交叉口的過(guò)飽和狀況，即當(dāng)交叉口的車(chē)流量較大時(shí)，需要增大整個(gè)信號(hào)周期來(lái)擴(kuò)大通行能力；同時(shí)考慮交叉口使用者的利益，即在交叉口的車(chē)流量較小時(shí)，延誤時(shí)間和排隊(duì)長(zhǎng)度都應(yīng)減少。因此針對(duì)交叉口中各相位的流量比情況，當(dāng)某相位的流量比較大，則表明相位車(chē)流量較大，為有效提高車(chē)流通過(guò)效率，需增大相位通行能力，相應(yīng)的分配給通行能力的控制目標(biāo)的權(quán)重要更大，平均延誤、排隊(duì)長(zhǎng)度分配到的權(quán)重要更??；當(dāng)某相位的流量比較小，則反之考慮。

分別對(duì)應(yīng)平均延誤、排隊(duì)長(zhǎng)度和通行能力的權(quán)重，其中，α表示量綱因子，是常數(shù)。

同時(shí)在四相位單交叉口的對(duì)象下得到的綜合控制模型需滿足下面的約束條件，以保證整個(gè)系統(tǒng)的穩(wěn)定性。即各相位的有效綠燈時(shí)長(zhǎng)總和需等于周期時(shí)長(zhǎng)，若各相位的有效綠燈時(shí)長(zhǎng)總和大于周期時(shí)長(zhǎng)，不符合實(shí)際，則整個(gè)交叉口系統(tǒng)處于不穩(wěn)定狀態(tài)；如得到的各相位的有效綠燈時(shí)長(zhǎng)總和小于周期時(shí)長(zhǎng)，則表示實(shí)際的四相位交叉口損失時(shí)間過(guò)長(zhǎng)，車(chē)輛通行效率較低，導(dǎo)致整個(gè)交叉口系統(tǒng)處于不穩(wěn)定狀態(tài)。

約束條件公式如下：

$\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(t_i+t_{ss})=T$

其中，t_ss表示相位的損失時(shí)間。

設(shè)定e表示相位的有效綠燈時(shí)長(zhǎng)和總周期時(shí)長(zhǎng)相較的誤差，表達(dá)式如下：

$e=\frac{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\λ}}_{i}T+t_{ss})-T}{T}$

分析后選取性能指標(biāo)為：

$e^2=1-\frac{{\mathrm{\μ}}_i^1+{\mathrm{\μ}}_i^2}{(\mathrm{\α}+1)s_i{y}_i(1-Y)}$

當(dāng)e越趨近于0，整個(gè)系統(tǒng)趨于穩(wěn)定。

為三個(gè)優(yōu)化目標(biāo)分配權(quán)重后，得到的綜合控制模型如下(包括控制函數(shù)以及約束條件)：

$\min f({\mathrm{\λ}}_i,T)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}({\mathrm{\μ}}_i^1{d}_i+{\mathrm{\μ}}_i^2{N}_i+{\mathrm{\μ}}_i^3{Q}_i)$

s.t.t_min＜t_i＜t_max

λ_min＜λ_i＜λ_max

T_min＜T＜T_max

$X_{min}\<X_i=\frac{y_i}{{\mathrm{\λ}}_i}\<X_{max}$

得到綜合控制模型后，需用優(yōu)化算法對(duì)其求解進(jìn)行信號(hào)配時(shí)。

選取簡(jiǎn)單的定時(shí)方法進(jìn)行信號(hào)配時(shí)，因?qū)嶋H交通流情況較為復(fù)雜，利用定時(shí)方法得到的配時(shí)結(jié)果會(huì)導(dǎo)致平均延誤以及排隊(duì)長(zhǎng)度偏大，通行能力也沒(méi)有明顯的增強(qiáng)，無(wú)法有效緩解交叉口的擁堵；針對(duì)所述問(wèn)題選取遺傳算法對(duì)控制模型進(jìn)行求解配時(shí)，能夠?qū)?fù)雜的交通流數(shù)據(jù)進(jìn)行全局反復(fù)搜索從而得到更為精確的配時(shí)結(jié)果。

遺傳算法主要包括參數(shù)編碼、求解適應(yīng)度、復(fù)制、交叉、變異和終止等操作。本文先采用未改進(jìn)的遺傳算法(下面用GA表示)進(jìn)行最佳信號(hào)配時(shí)，GA中利用比例選擇法、雙點(diǎn)交叉和均勻變異分別進(jìn)行復(fù)制、交叉以及變異操作。本文發(fā)現(xiàn)GA中的比例選擇法有一定缺陷，隨后對(duì)其進(jìn)行改進(jìn)得到改進(jìn)后的遺傳算法(下面用MGA表示)。

GA中的比例選擇法的基本思想是依據(jù)個(gè)體被選中的概率與其適應(yīng)度大小成正比的關(guān)系。若設(shè)GA中群體大小為M，個(gè)體Ι的適應(yīng)度為f_Ι，則個(gè)體Ι被選中的概率如下：

$P_I=\frac{f_I}{\underset{I=1}{\overset{M}{\mathrm{\Σ}}}{f}_I}$

可知適應(yīng)度越高的個(gè)體被選中的概率越大。此處存在選擇缺陷，因方法中是隨機(jī)選取，在復(fù)制過(guò)程中可能會(huì)遺漏適應(yīng)度高的個(gè)體，導(dǎo)致復(fù)制過(guò)程中的選擇誤差比較大。

因此，本發(fā)明為克服比例選擇法的選擇誤差較大的問(wèn)題作出了改進(jìn)，得到精英選擇法，改進(jìn)后的精英選擇法相比較于原方法可提高其選擇的精確性，減小其選擇誤差，同時(shí)提高M(jìn)GA在信號(hào)配時(shí)的全局搜索能力。

本專(zhuān)利在比例選擇法的基礎(chǔ)上進(jìn)行方法改進(jìn)，復(fù)制過(guò)程中，通過(guò)比較適應(yīng)度大小，過(guò)濾整個(gè)群體中部分適應(yīng)度較小的個(gè)體，選擇剩余適應(yīng)度高的精英個(gè)體遺傳至下一代。設(shè)復(fù)制過(guò)程中遺傳至下一代的個(gè)體為下面利用測(cè)試函數(shù)TF(Test Function)，對(duì)MGA的性能進(jìn)行測(cè)試。

測(cè)試函數(shù)的表達(dá)式如下：

f(x₁,x₂)＝21.5+x₁sin(4πx₁)+x₂sin(20πx₂)

-3.0≤x₁≤12.1

-4.1≤x₂≤5.8

其中，f(x₁,x₂)表示測(cè)試函數(shù)，x₁和x₂表示測(cè)試函數(shù)中的變量。

測(cè)試函數(shù)的適應(yīng)度函數(shù)如下：

F(x₁,x₂)＝c_max1-f(x₁,x₂)

其中，F(xiàn)(x₁,x₂)表示測(cè)試函數(shù)的適應(yīng)度函數(shù)；c_max1表示一個(gè)足夠大的常數(shù)，本發(fā)明中選擇c_max1＝40。

測(cè)試函數(shù)如圖3所示，其中，X軸表示變量x₁，Y軸表示變量x₂，Z軸表示測(cè)試函數(shù)值。

通過(guò)改進(jìn)后的遺傳算法(MGA)對(duì)測(cè)試函數(shù)進(jìn)行尋優(yōu)，本文選取四個(gè)值進(jìn)行仿真比較，分別為80％，60％，40％以及20％，仿真效果比較結(jié)果如圖4所示。

通過(guò)圖4的仿真結(jié)果，可得當(dāng)60％相較于當(dāng)80％時(shí)，其仿真效果曲線顯示能更加快速得到最優(yōu)值。又因?yàn)檫z傳算法的最優(yōu)化問(wèn)題是目標(biāo)函數(shù)最大值問(wèn)題，適應(yīng)度函數(shù)值越大即當(dāng)測(cè)試函數(shù)值越小，表明算法的尋優(yōu)能力越強(qiáng)。對(duì)比圖2中的四條仿真曲線，當(dāng)60％，改進(jìn)后的算法(MGA)的尋優(yōu)能力相較于MGA(80％)也有所增強(qiáng)。綜上分析，當(dāng)時(shí)，算法有較強(qiáng)尋優(yōu)能力和更好的快速性，因此本文選取的個(gè)體作為保留的精英個(gè)體進(jìn)行復(fù)制。

因上文得到的綜合控制模型中包括控制函數(shù)以及約束條件，在遺傳算法求解適應(yīng)度時(shí)需考慮約束條件，本文采用懲罰函數(shù)法轉(zhuǎn)化綜合控制函數(shù)為無(wú)約束問(wèn)題函數(shù)，得到的適應(yīng)度函數(shù)如下：

$F\left(x\right)=C_{max2}-\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\right({\mathrm{\μ}}_i^1{d}_i+{\mathrm{\μ}}_i^2{N}_i+{\mathrm{\μ}}_i^3{Q}_i)+\mathrm{\η}{\left(\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\left({\mathrm{\λ}}_{i}T+t_{ss}\right)-T\right)}^2)$

其中，c_max2為一個(gè)足夠大的常數(shù)，η表示懲罰因子。

圖5是利用MATLAB軟件，結(jié)合本文所述的改進(jìn)遺傳算法以及原遺傳算法得到的控制效果比較圖。

如表1所示的是利用定時(shí)方法、遺傳算法和本發(fā)明中改進(jìn)后的遺傳算法進(jìn)行最佳配時(shí)結(jié)果的比較。

表1：定時(shí)方法，遺傳算法和改進(jìn)后的遺傳算法進(jìn)行最佳配時(shí)結(jié)果的比較

根據(jù)仿真結(jié)果，通過(guò)對(duì)比三種算法所得最佳配時(shí)結(jié)果，改進(jìn)遺傳算法的配時(shí)較之另兩種方法更佳，驗(yàn)證了改進(jìn)算法的實(shí)用性。

本發(fā)明的技術(shù)優(yōu)點(diǎn)如下：

(1)建立多目標(biāo)優(yōu)化模型考慮到現(xiàn)實(shí)道路交通的復(fù)雜狀況，通過(guò)對(duì)交通信號(hào)相位方案及配時(shí)的調(diào)整,實(shí)現(xiàn)對(duì)城市交通流的綜合控制，采用自適應(yīng)權(quán)重法為三個(gè)優(yōu)化目標(biāo)分配權(quán)重，可以根據(jù)實(shí)際交通流的變化自動(dòng)分配權(quán)重，隨后在各個(gè)子目標(biāo)的最優(yōu)值間進(jìn)行分配，有效克服多目標(biāo)間的協(xié)調(diào)問(wèn)題；

(2)相比于現(xiàn)有技術(shù)中固定配時(shí)方案以及原遺傳算法的方案而言，本方法優(yōu)化了控制效果，提高交通運(yùn)行效率。

以上所述，僅為本發(fā)明中的具體實(shí)施方式，但本發(fā)明的保護(hù)范圍并不局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保護(hù)范圍應(yīng)該以權(quán)利要求書(shū)的保護(hù)范圍為準(zhǔn)。